YOLOv5-v6.0-yolov5s网络架构详解（第一篇）

1. 准备工作

趁热打铁。上节分析了 v5.0 的 yolov5s 模型架构，本节顺便把 v6.0的图也画下。官方代码中贴心的给提供了 onnx 文件，如下图： 

但是，当我打开 onnx 的时候，我麻了...

 所以，还是需要自己生成下 onnx 文件。

---

2. 折腾

打开 export.py 惊喜发现，代码中提供了onnx-simplifier导出，这种导出的模型更加简洁。https://github.com/daquexian/onnx-simplifierhttps://github.com/daquexian/onnx-simplifier

作者知乎：onnx simplifier 和 optimizer - 知乎

v6.0 版本中依旧将 conv + BN 进行融合，融合的原因如下：

Conv + BN + Act算子融合 - 知乎

为了细节都可视化出来，我们和v5.0 一样将BN分离出来。

v6.0 代码中，export.py 函数中增加了一条：

model = attempt_load(weights, map_location=device, inplace=True, fuse=False)  # load FP32 model

通过 fuse=False 参数屏蔽 fuse BN操作。

和前文一样，由于 onnx 的 training = torch.onnx.TrainingMode.EVAL 默认合并了BN，所以修改为：

training=torch.onnx.TrainingMode.TRAINING

那么，导出 onnx:

python export.py --weights yolov5s.pt --simplify

由于 onnx-simplifier 不支持 TrainingMode.TRAINING 模式，所以以上会导出失败。

错误：

ONNX: simplifier failure: ......onnxruntime::BatchNorm::BatchNorm !is_train_ was false. Training mode is not supported in this build.

所以，为了得到 BN的onnx，采用和 v5.0 一样的办法。

        from onnx import shape_inference
        # Checks
        model_onnx = onnx.load(f)  # load onnx model
        onnx.save(shape_inference.infer_shapes(model_onnx), f)

        # # Checks
        # model_onnx = onnx.load(f)  # load onnx model

python export.py --weights yolov5s.pt

可得到带BN的onnx。当然，还有一些操作比较复杂需要简化。简化不做了。

---

3. 最终方案

和 v5.0 一样，除了最后的3个 conv带bias外，其他的conv的bias=0，这些后面都带BN层。所以还是使用简化版本，把conv和BN融合，然后显示。改回去：

       
        training=torch.onnx.TrainingMode.TRAINING if train else torch.onnx.TrainingMode.EVAL,     

        # from onnx import shape_inference
        # Checks
        model_onnx = onnx.load(f)  # load onnx model
        # onnx.save(shape_inference.infer_shapes(model_onnx), f)

    model = attempt_load(weights, map_location=device, inplace=True, fuse=True)  # load FP32 model 

python export.py --weights yolov5s.pt --simplify

4. 最后的总结图